import pandas as pd
pd.set_option('display.expand_frame_repr', False)

import matplotlib
import matplotlib.pyplot as plt
font = {'size' : 20}
matplotlib.rc('font', **font)

import seaborn as sns

from pylab import rcParams
rcParams["figure.figsize"] = 30,16

import sklearn
from sklearn import metrics

import numpy as np
import scipy

import datetime as dt
from datetime import date

from collections import OrderedDict

from sklearn.preprocessing import PolynomialFeatures
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression

import warnings
warnings.filterwarnings("ignore")

import sys
sys.path.insert(0, "../")
import functions

#Daten aus CSV-Datei laden
df = pd.read_csv("data.csv", index_col=0, parse_dates=True)
df.index.freq = "D"

df_ = pd.read_csv("Datenbeschaffung/kalender.csv", index_col=0, parse_dates=True, usecols=[0,2])
df_ = df_.join(pd.read_csv("Datenbeschaffung/stuttgart.csv", index_col=0, parse_dates=True, usecols=[0,2], squeeze=True).rename("stuttgart"))
df_ = df_.join(pd.read_csv("Datenbeschaffung/freiburg.csv", index_col=0, parse_dates=True, usecols=[0,2], squeeze=True).rename("freiburg"))
df_ = df_.join(pd.read_csv("Datenbeschaffung/mannheim.csv", index_col=0, parse_dates=True, usecols=[0,2], squeeze=True).rename("mannheim"))
df_ = df_.join(pd.read_csv("Datenbeschaffung/ulm.csv", index_col=0, parse_dates=True, usecols=[0,2], squeeze=True).rename("ulm"))

#Durchschnitt berechnen
df["temperatur"] = round(((df_["stuttgart"] + df_["freiburg"] + df_["mannheim"] + df_["ulm"]) / 4), 1)

#Temporär für Analysen verwendete Spalten berechnen
df["temperatur_gerundet"] = round(df["temperatur"],0)
df["temperatur_zusammengefasst"] = 3 * round(df["temperatur"]/3)

#Aufteilung in zwei DataFrames für weitere Analysen
df_arbeitstag = df[df["arbeitstag"] == 1]
df_arbeitsfreiertag = df[df["arbeitstag"] == 0]

print(df)
print()
print(df.describe().transpose())

            verbrauch     monat   wochentag  arbeitstag  temperatur  temperatur_gerundet  temperatur_zusammengefasst
datum                                                                                                               
2015-01-01     126197    Januar  Donnerstag           0        -2.5                 -2.0                        -3.0
2015-01-02     147085    Januar     Freitag           1        -0.0                 -0.0                        -0.0
2015-01-03     141426    Januar     Samstag           0         1.2                  1.0                         0.0
2015-01-04     132446    Januar     Sonntag           0        -0.2                 -0.0                        -0.0
2015-01-05     152611    Januar      Montag           1        -0.5                 -0.0                        -0.0
...               ...       ...         ...         ...         ...                  ...                         ...
2021-12-27     153489  Dezember      Montag           1         5.7                  6.0                         6.0
2021-12-28     155182  Dezember    Dienstag           1         8.2                  8.0                         9.0
2021-12-29     153611  Dezember    Mittwoch           1         8.7                  9.0                         9.0
2021-12-30     148126  Dezember  Donnerstag           1        11.3                 11.0                        12.0
2021-12-31     137327  Dezember     Freitag           1        10.7                 11.0                        12.0

[2557 rows x 7 columns]

                             count           mean           std       min       25%       50%       75%       max
verbrauch                   2557.0  169329.063355  27116.871253  102469.0  147992.0  175584.0  190001.0  231190.0
arbeitstag                  2557.0       0.687133      0.463751       0.0       0.0       1.0       1.0       1.0
temperatur                  2557.0      11.706492      7.845246     -10.0       5.2      11.2      18.0      32.1
temperatur_gerundet         2557.0      11.688307      7.842557     -10.0       5.0      11.0      18.0      32.0
temperatur_zusammengefasst  2557.0      11.737192      7.883477      -9.0       6.0      12.0      18.0      33.0

Datenanalyse

Die Temperatur folgt einem klaren, jährlichen Muster. Im Frühling erreichen die Temperaturen von etwa +5°C bis auf +15°C, im Sommer reichen sie von +10°C bis zu +30 °C in der Spitze, im Herbst von +5°C bis +20 °C und im Winter lediglich von -5°C bis etwa +10°C. Dieser Verlauf wiederholt sich jedes Jahr.

functions.draw_years(df)

#Temperatur plotten
plt.plot(df["temperatur"], label="Temperatur");
plt.plot(df["temperatur"].rolling(window=14).mean(), color="red", label="Gleitender Durchschnitt über 14 Tage")

#Achsen und Layout
plt.title("Temperatur (2015 - 2021)")
plt.ylabel("Temperatur in °C")
plt.ylim(-10, 35)
plt.xlabel("Datum")
plt.xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

plt.show()

Die Boxplots nach Monaten zeigen noch einmal die jährliche Saisonalität.

#Boxplot erstellen
sns.boxplot(data=df, x="monat", y="temperatur")

#Achsen und Layout
plt.title("Temperatur nach Monaten")
plt.ylabel("Temperatur in °C")
plt.ylim(-10, 35)
plt.xlabel("Monat")

plt.show()

Es handelt sich um einigermaßen um den Mittelwert normalverteilte Daten.

#Histogramm erstellen
sns.countplot(df["temperatur_gerundet"], order=np.arange(-10,33,1));

#Achsen und Layout
plt.title("Histogramm der Temperaturwerte")
plt.ylabel("Anzahl")
plt.xlabel("Temperatur in °C")
plt.xticks(np.arange(0, 43, 2))

plt.show()

Korrelationsanalyse

Liniendiagramm (Verlauf)

Die Temperatur scheint dem Stromverbrauch zunächst entgegenzulaufen. Mit steigender Temperatur fällt der Stromverbrauch. Allerdings ist auch erkennbar, dass der Stromverbrauch Mitte des Jahres, wenn die Temperatur ihre Höchststände erreicht, ebenfalls wieder ansteigt.

fig, ax1 = plt.subplots()

functions.draw_years(df)

ax1.set_title("Stromverbrauch und Temperatur")

#Verbrauch plotten
ax1.plot(df["verbrauch"], color="red", label="Stromverbrauch")
#Achsen und Layout
ax1.set_ylabel("Stromverbrauch in MWh", color="red")
ax1.tick_params(axis="y", labelcolor="red")
ax1.set_ylim(100000,235000)
ax1.set_xlabel("Datum")
ax1.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)

#Tagesdurchschnittstemperatur plotten
ax2 = ax1.twinx()
ax2.plot(df["temperatur"], color="blue", label="Temperatur")
#Achsen und Layout
ax2.set_ylabel("Temperatur in °C", color="blue")
ax2.tick_params(axis="y", labelcolor="blue")
ax2.set_ylim(-10, 35)
ax2.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.2), ncol=4)

plt.tight_layout()
plt.show()

#Korrelationskoeffizienten ausgeben
functions.correlation_coefficients(df["temperatur"], df["verbrauch"])
print("\n\n")

Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.325
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.374
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.267

#Durchlaufen verschiedener gleitender Durchschnitte
for window in [3, 7, 14, 28]:

    print("\n\n", "Gleitender Durchschnitt über", window,"Tage----------------------------------------------------------------------------------------------------------------------------------------------\n\n")
    
    fig, ax1 = plt.subplots()

    functions.draw_years(df)

    ax1.set_title("Stromverbrauch und Temperatur (Gleitender Durchschnitt über " + str(window) + " Tage)")
    
    #Gleitenden Durchschnitt des Verbrauchs plotten
    ax1.plot(df["verbrauch"].rolling(window=window).mean(), color="red", label="Stromverbrauch (Gleitender Durchschnitt " + str(window) + " Tage)")
    #Achsen und Layout
    ax1.set_ylabel("Stromverbrauch in MWh", color="red")
    ax1.tick_params(axis="y", labelcolor="red")
    ax1.set_ylim(100000,235000)
    ax1.set_xlabel("Datum")
    ax1.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

    #Legende einfügen
    handles, labels = plt.gca().get_legend_handles_labels()
    by_label = OrderedDict(zip(labels, handles))
    plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.15), ncol=4)
    
    #Gleitenden Durchschnitt der Temperatur plotten
    ax2 = ax1.twinx()
    ax2.plot(df["temperatur"].rolling(window=window).mean(), color="blue", label="Temperatur (Gleitender Durchschnitt " + str(window) + " Tage)")
    #Achsen und Layout
    ax2.set_ylabel("Temperatur in °C", color="blue")
    ax2.tick_params(axis="y", labelcolor="blue")
    ax2.set_ylim(-10, 35)
    ax2.set_xlim(dt.datetime(2015,1,1), dt.datetime(2021,12,31))

    #Legende einfügen
    handles, labels = plt.gca().get_legend_handles_labels()
    by_label = OrderedDict(zip(labels, handles))
    plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.2), ncol=4)

    plt.tight_layout()
    plt.show()

    #Korrelationskoeffizienten ausgeben
    functions.correlation_coefficients(df["temperatur"].rolling(window=window).mean().dropna(), df["verbrauch"].rolling(window=window).mean().dropna())
    print("\n\n")

 Gleitender Durchschnitt über 3 Tage----------------------------------------------------------------------------------------------------------------------------------------------

Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.415
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.421
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.288





 Gleitender Durchschnitt über 7 Tage----------------------------------------------------------------------------------------------------------------------------------------------

Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.576
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.612
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.445





 Gleitender Durchschnitt über 14 Tage----------------------------------------------------------------------------------------------------------------------------------------------

Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.619
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.633
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.463





 Gleitender Durchschnitt über 28 Tage----------------------------------------------------------------------------------------------------------------------------------------------

Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.672
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.677
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.487

Stromverbrauch nach Temperatur (Scatterplot)

Auch hier zeit sich, dass der Stromverbrauch bis zu Temperaturen von etwa 20°C fällt, dann stagniert und ab circa 24°C dann wieder ansteigt. Die gilt sowohl für Arbeits- wie auch für arbeitsfreie Tage.

x = range(-10, 36, 1)

#Temperatur und Verbrauch an Arbeitstagen plotten
plt.scatter(df_arbeitstag["temperatur"], df_arbeitstag["verbrauch"], color="red", label="Arbeitstag")
#Steigungen a1 und b1 und Intercept c1 für Regression bilden (a1 + x² + b1 * x + c1)
a1, b1, c1 = np.polyfit(df_arbeitstag["temperatur"], df_arbeitstag["verbrauch"], 2)
#Regressionsfunktion einzeichnen
plt.plot(x, (a1 * np.square(x) + b1 * x + c1), color="red", linewidth=2.5, label="Arbeitstag (Regression)")

#Temperatur und Verbrauch an arbeitsfreien Tagen plotten
plt.scatter(df_arbeitsfreiertag["temperatur"], df_arbeitsfreiertag["verbrauch"], color="blue", label="Arbeitsfreier Tag")
#Steigungen a2 und b2 und Intercept c2 für Regression bilden (a2 + x² + b2 * x + c2)
a2, b2, c2 = np.polyfit(df_arbeitsfreiertag["temperatur"], df_arbeitsfreiertag["verbrauch"], 2)
#Regressionsfunktion einzeichnen
plt.plot(x, (a2 * np.square(x) + b2 * x + c2), color="blue", linewidth=2.5, label="Arbeitsfreier Tag (Regression)")

#Steigungen a3 und b3 und Intercept c3 für Regression bilden (a3 + x² + b3 * x + c3)
a3, b3, c3 = np.polyfit(df["temperatur"], df["verbrauch"], 2)
#Regressionsfunktion einzeichnen
plt.plot(x, (a3 * np.square(x) + b3 * x + c3), color="green", linewidth=2.5, label="Gesamt (Regression)")

#Achsen und Layout
plt.title("Stromverbrauch nach Temperatur (Scatterplot)")
plt.ylabel("Stromverbrauch in MWh")
plt.ylim(100000, 235000)
plt.xlabel("Temperatur in °C")
plt.xlim(-10, 35)

#Legende einfügen
handles, labels = plt.gca().get_legend_handles_labels()
by_label = OrderedDict(zip(labels, handles))
plt.legend(by_label.values(), by_label.keys(), loc="lower left", bbox_to_anchor=(0,-0.2), ncol=4)

plt.show()

#Korrelationskoeffizienten ausgeben
print("Arbeitstage")
functions.correlation_coefficients(df_arbeitstag["temperatur"], df_arbeitstag["verbrauch"])
print("\n\nArbeitsfreie Tage")
functions.correlation_coefficients(df_arbeitsfreiertag["temperatur"], df_arbeitsfreiertag["verbrauch"])

Arbeitstage
Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.554
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.635
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.462


Arbeitsfreie Tage
Pearson :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.558
Spearman :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.55
Kendall :
p-Wert von 0.0 -> Nullhypothese wird abgelehnt: Die Daten korrelieren mit einem Koeffizienten von -0.38

Stromverbrauch nach Temperatur (Boxplot)

Auch hier zeit sich, dass der Stromverbrauch bis zu Temperaturen von etwa 20°C fällt, dann stagniert und ab circa 24°C dann wieder ansteigt. Je niedriger die Temperaturen sind, desto mehr Energie und damit auch Strom wird bspw. für das Heizen benötigt. Mit steigenden Temperaturen fällt zwar dieser Strombedarf, umgedreht wird allerdings mehr Energie für Kühlengen etc. benötigt. Ab einer Temperatur zwischen 20°C und 24°C gleichen die Einsparungen beim Heizen den Mehrbedarf bei Kühlungen nicht mehr aus und der Strombedarf steigt wieder an.

#Boxplot der gerundeten Temperaturen
sns.boxplot(data=df, x="temperatur_gerundet", y="verbrauch", hue="arbeitstag")

#Achsen und Layout
plt.title("Stromverbrauch nach gerundeter Temperatur (Boxplot)")
plt.ylabel("Stromverbrauch in MWh")
plt.ylim(100000,235000)
plt.xlabel("Monat")
plt.xticks(np.arange(0, 43, 2))

plt.show()

#Boxplot der zusammengefassten Temperaturen
sns.boxplot(data=df, x="temperatur_zusammengefasst", y="verbrauch", hue="arbeitstag")

#Achsen und Layout
plt.title("Stromverbrauch nach gruppierter Temperatur (Boxplot)")
plt.ylabel("Stromverbrauch in MWh")
plt.ylim(100000,235000)
plt.xlabel("Monat")

plt.show()

Regressionsanalyse

Durch die Regressionsanalyse wird geprüft, inwieweit sich der Verlauf des Stromverbrauchs anhand der verfügbaren exogenen Merkmale modellieren lässt. Es geht dabei noch nicht um die Erstellung eines Vorhersagemodells. Stattdessen wird die Regressionsanalyse eher mit Blick auf potenzielle Zusammenhänge, Korrelationen und Muster beziehungsweise generelle Verläufe durchgeführt. Aus diesem Grund bietet sich eine Funktion sechsten Grades an. Dafür wird mit den Daten von 2015 bis 2018 und den entsprechenden Merkmalen eine Regression sechsten Grades durchgeführt, welche dann mit den Daten für 2019 getestet wird. Wie bereits erwähnt, gibt es 2020 und 2021 Abweichungen vom ansonsten üblichen Verlauf. Daher werden nur die Daten bis einschließlich 2019 verwendet.

Regression mit Temperatur

Die Regression auf die Temperatur zeigt, dass sich hierdurch zumindest die jährliche Aufwärts- und Abwärtsbewegung abbilden lässt. Da allerdings Informationen über die Wochentage fehlen, kann die wöchentliche Saisonalität selbstverständlich nicht erfasst werden.

#Für Regression relevante Daten herausfiltern
df_regression = pd.DataFrame(data=[df["verbrauch"], df["temperatur"]])
df_regression = df_regression.transpose()
df_regression = df_regression["2015-01-01":"2019-12-31"]

print(df_regression)

#Aufteilen in Trainings- und Testdaten
train, test = functions.train_test_split(df_regression, 365)

#Erstellen der polynomialen Merkmale
pf = PolynomialFeatures(degree=6)
pf = pf.fit(df_regression[["temperatur"]].values.reshape(-1, 1))

#Aufteilung in X und y
y_train = train["verbrauch"]
y_test = test["verbrauch"]

X_train = pf.transform(train[["temperatur"]])
X_test = pf.transform(test[["temperatur"]])

#Regressionsmodell erstellen
model = LinearRegression().fit(X_train, y_train)

#Vorhersagen erstellen
preds = model.predict(X_test)
preds = pd.Series(data=preds, index=pd.date_range('01/01/2019', periods=365, freq='D')).rename("vorhergesagter verbrauch")

#Vorhersagen auswerten
functions.custom_metrics(y_test, preds)

            verbrauch  temperatur
datum                            
2015-01-01   126197.0        -2.5
2015-01-02   147085.0        -0.0
2015-01-03   141426.0         1.2
2015-01-04   132446.0        -0.2
2015-01-05   152611.0        -0.5
...               ...         ...
2019-12-27   129551.0         5.1
2019-12-28   125395.0         1.7
2019-12-29   121331.0         1.1
2019-12-30   137130.0         2.8
2019-12-31   131060.0         3.2

[1826 rows x 2 columns]
       Vorhersage
R2            0.1
MAE       20706.7
MSE   598421708.1
RMSE      24462.7
                 
MAPE       14.0 %

Regression mit Arbeitstag und Temperatur

Mittels Regression auf die Temperatur und den Indikator für Arbeitstage lässt sich sowohl die jährliche Auf- und Abwärtsbewegung wie auch die wöchentliche Saisonalität abbilden. Das Modell ist allerdings Anfang des Jahres leicht nach unten und Mitte/Ende des Jahres leicht nach oben verzerrt.

#Für Regression relevante Daten herausfiltern
df_regression = pd.DataFrame(data=[df["verbrauch"], df["arbeitstag"], df["temperatur"]])
df_regression = df_regression.transpose()
df_regression = df_regression["2015-01-01":"2019-12-31"]

print(df_regression)

#Aufteilen in Trainings- und Testdaten
train, test = functions.train_test_split(df_regression, 365)

#Erstellen der polynomialen Merkmale
pf = PolynomialFeatures(degree=6)
pf = pf.fit(df_regression[["arbeitstag", "temperatur"]].values.reshape(-2, 2))

#Aufteilung in X und y
y_train = train["verbrauch"]
y_test = test["verbrauch"]

X_train = pf.transform(train[["arbeitstag", "temperatur"]])
X_test = pf.transform(test[["arbeitstag", "temperatur"]])

#Regressionsmodell erstellen
model = LinearRegression().fit(X_train, y_train)

#Vorhersagen erstellen
preds = model.predict(X_test)
preds = pd.Series(data=preds, index=pd.date_range('01/01/2019', periods=365, freq='D')).rename("vorhergesagter verbrauch")

#Vorhersagen auswerten
functions.custom_metrics(y_test, preds)

            verbrauch  arbeitstag  temperatur
datum                                        
2015-01-01   126197.0         0.0        -2.5
2015-01-02   147085.0         1.0        -0.0
2015-01-03   141426.0         0.0         1.2
2015-01-04   132446.0         0.0        -0.2
2015-01-05   152611.0         1.0        -0.5
...               ...         ...         ...
2019-12-27   129551.0         1.0         5.1
2019-12-28   125395.0         0.0         1.7
2019-12-29   121331.0         0.0         1.1
2019-12-30   137130.0         1.0         2.8
2019-12-31   131060.0         1.0         3.2

[1826 rows x 3 columns]
       Vorhersage
R2            0.8
MAE        8106.5
MSE   145835413.0
RMSE      12076.2
                 
MAPE        5.4 %

Insgesamt zeigt sich, dass der Stromverbrauch neben dem Indikator für Arbeitstage auch stark von der Temperatur abhängt. Die Temperatur wird daher für das weitere Modeling verwendet.

Fazit

Die Temperatur hat einen erkennbaren und direkten Einfluss auf dem Stromverbrauch und kann für Vorhersagen genutzt werden.

Daten speichern

Die als relevant und aussagekräftig ermittelten oder für Analysen relevanten Daten werden in der Datei „data.csv“ zwischengespeichert.

df = df[["verbrauch", "monat", "wochentag", "arbeitstag", "temperatur"]]

print(df)

df.to_csv("data.csv")

            verbrauch     monat   wochentag  arbeitstag  temperatur
datum                                                              
2015-01-01     126197    Januar  Donnerstag           0        -2.5
2015-01-02     147085    Januar     Freitag           1        -0.0
2015-01-03     141426    Januar     Samstag           0         1.2
2015-01-04     132446    Januar     Sonntag           0        -0.2
2015-01-05     152611    Januar      Montag           1        -0.5
...               ...       ...         ...         ...         ...
2021-12-27     153489  Dezember      Montag           1         5.7
2021-12-28     155182  Dezember    Dienstag           1         8.2
2021-12-29     153611  Dezember    Mittwoch           1         8.7
2021-12-30     148126  Dezember  Donnerstag           1        11.3
2021-12-31     137327  Dezember     Freitag           1        10.7

[2557 rows x 5 columns]